机器学习小知识点
fxnfk
这个作者很懒,什么都没留下…
展开
-
线代
the trace of a matrix is the sum of its eigenvalues原创 2020-09-17 20:26:51 · 276 阅读 · 0 评论 -
矩阵的模
A=[a1a2…an]A=\begin{bmatrix}a_1 a_2 \dots a_n\end{bmatrix}A=[a1a2…an]向量的模的平方是每个元素的平方和:∥a∥2\|a\|^2∥a∥2.同理矩阵的模的平方也是每个元素的平方和:∥A∥2=∥a1∥2+∥a2∥2+⋯+∥an∥2\|A\|^2=\|a_1\|^2+\|a_2\|^2+\dots+\|a_n\|^2∥A∥2=∥a1∥2+∥a2∥2+⋯+∥an∥2.∥A∥2=Tr(ATA)\|A\|^2=Tr(A^TA)∥A∥2原创 2020-09-07 21:02:06 · 26534 阅读 · 0 评论 -
一文彻底搞懂方差、协方差、协方差矩阵
方差:s2=∑i=1n(xi−xˉ)2n−1s^2=\frac{\sum_{i=1}^n (x_i-\bar{x})^2}{n-1}s2=n−1∑i=1n(xi−xˉ)2协方差:covxy=∑i=1n(xi−μx)(yi−μy)n−1cov_{xy}=\frac{\sum_{i=1}^n(x_i-\mu_x)(y_i-\mu_y)}{n-1}covxy=n−1∑i=1n(xi−μx)(yi−μy)针对一维(个)随机变量,协方差就是方差;针对二维(二个)随机变量反映的就是两纬度之间的原创 2020-09-04 22:36:29 · 4333 阅读 · 1 评论 -
核函数
思想:数据集在低维空间线性不可分,在高维空间可能会线性可分。feature mapping原空间中的点xxx,通过映射函数ϕ\phiϕ,映射到特征空间ϕ(x)\phi(x)ϕ(x)。如下图所示:原二维空间中的点x=(x1,x2)x=(x_1,x_2)x=(x1,x2)可以通过一个曲线(x12+x22)=1(x_1^2+x_2^2)=1(x12+x22)=1分隔,通过映射函数ϕ(x)=(z1,z2,z3)=(x12,2x1x2,x22)\phi(x)=(z_1,z_2,z_3)=(x_1^2,\原创 2020-09-04 20:24:59 · 183 阅读 · 0 评论